GPT-5.4 ist da: 1 Million Token Kontext und native PC-Steuerung

OpenAI hat GPT-5.4 veröffentlicht, positioniert als Flaggschiff für professionelle Arbeit, Coding und agentische Workflows. Drei Punkte sind für den Agentenbetrieb relevant: ein Kontextfenster von bis zu einer Million Token in der API, native Computer-Use-Fähigkeiten und ein besserer Umgang mit großen Werkzeugsets.

Die Million Token ist dabei die einzige harte Zahl der Ankündigung. Alles andere sind Verhaltensversprechen, die sich erst im eigenen Workflow bestätigen lassen.

Was neu ist

Nach Angaben von OpenAI und Branchenberichten konzentriert sich das Release auf vier Bereiche:

• Agentische Workflows und Tool Use: Mehrstufige Aufgaben sollen stabiler laufen, die Tool-Auswahl gezielter ausfallen, und Tool Search soll den Umgang mit vielen registrierten Werkzeugen verbessern.
• Computer Use: In unterstützten Umgebungen interpretiert das Modell Bildschirminhalte und führt Maus- und Tastatureingaben aus.
• Kontextfenster: In der API bis zu eine Million Token. Für ChatGPT gelten je nach Produktoberfläche eigene Grenzen — die Zahl aus der API-Ankündigung lässt sich also nicht auf das Chatprodukt übertragen.
• Zwei Varianten: GPT-5.4 Pro für besonders komplexe Aufgaben, GPT-5.4 als API-Modell für Entwicklerteams.

Die interessanteste Verschiebung steckt in Tool Search. Wer bisher zwanzig oder mehr Tools registriert hatte, kannte das Problem: Das Modell greift zum nächstbesten Werkzeug statt zum richtigen, und der Fehler fällt erst drei Schritte später auf.

Was der Preis angeht

OpenAI kommuniziert die Kosten gestaffelt nach Kontextlänge und Verarbeitungsmodus, mit Rabatten für Caching und Batch-Verarbeitung. Eine belastbare Aussage darüber, ob GPT-5.4 in einem konkreten Agentenbetrieb günstiger wird als das bisherige Setup, ergibt sich daraus nicht.

Denn der Kostentreiber in agentischen Workflows ist selten der einzelne Aufruf. Er sind die Schleifen: Ein Agent, der pro Aufgabe zwölfmal ein Tool ruft und jedes Mal den vollen Kontext mitschickt, verbrennt mehr Budget als ein teureres Modell mit vier Aufrufen. Wer den Wechsel rechnen will, misst deshalb nicht den Tokenpreis, sondern die durchschnittlichen Kosten pro abgeschlossener Aufgabe — vor und nach der Umstellung, auf demselben Aufgabenset.

Caching hilft, wenn sich der Kontext tatsächlich wiederholt. Bei Agenten, die jeden Lauf mit frischem Zustand starten, greift der Effekt kaum.

Was sich in der Architektur ändern könnte

Laufen Reasoning, Code-Generierung und Tool-Nutzung in einem Modell zusammen, entfällt Orchestrierungsaufwand. Das große Kontextfenster nimmt zusätzlich Druck von der Frage, wie eine umfangreiche Codebase oder eine lange Dokumentation zerlegt werden muss, damit das Modell den Zusammenhang behält.

Das spart Latenz und Bruchstellen. Es ersetzt keine Fehlerbehandlung, keine Evaluation und keine Rechteverwaltung.

Für Büroautomatisierung — Reports erstellen, Daten zusammentragen, Präsentationen vorbereiten — rückt Computer Use die Umsetzung näher. Die Einschränkung steht allerdings im Angebot selbst: „in unterstützten Umgebungen“. Bevor ein solcher Ablauf unbeaufsichtigt läuft, sollte für die konkrete Zielumgebung nachgewiesen sein, dass das Modell die Oberfläche zuverlässig trifft und ein Fehlklick im Protokoll sichtbar wird.

Was offen bleibt

Für den eigenen Betrieb bleiben mehrere Punkte offen. Die PC-Steuerung muss in der konkreten Umgebung geprüft werden. Latenz bleibt kritisch, sobald intensiver Tool Use, viele Rückfragen an externe Systeme und sehr lange Sequenzen zusammenkommen.

Dazu kommt die Abhängigkeit von einer einzigen API-Infrastruktur. Für Workflows mit Anforderungen an Datenresidenz oder Auditierbarkeit bleibt ein Modellmix die vorsichtigere Wahl, und lokale Alternativen behalten ihre Rolle als Rückfallebene.

Die Frage hinter dem Release

Ob OpenAI ein weiteres leistungsstarkes Modell liefert, war nie die spannende Frage. Sie lautet, ob sich Agenten-Workflows damit verlässlich und wirtschaftlich betreiben lassen. Daran scheitern die meisten Setups — nicht an fehlender Modellqualität, sondern an Stabilität, Kosten und fehlender Kontrolle über das, was der Agent tatsächlich tut.

Großes Kontextfenster, bessere Tool-Auswahl und native PC-Steuerung verschieben die Grenze dessen, was in einem einzigen Modell abbildbar ist. Für bestehende Architekturen lohnt deshalb genau eine Prüfung: Welche Teile der eigenen Orchestrierung existieren nur, weil das bisherige Modell zu wenig Kontext hatte oder bei vielen Tools danebengriff? Diese Teile sind Kandidaten zum Wegwerfen.

Alles andere bleibt, wie es war. Sicherheitskonzept, Kostenmodell und Evaluation gehören weiterhin an den Anfang eines Projekts, nicht an dessen Ende.